基于双高斯变分子空间解耦的可见光-红外行人重识别
计算机视觉与模式识别
2020-08-07 v1
摘要
可见光-红外行人重识别(VI-ReID)是夜间智能监控系统中一项具有挑战性且至关重要的任务。除RGB-RGB行人重识别主要克服的模态内差异外，VI-ReID还受到由固有异质鸿沟引起的额外模态间差异的困扰。为解决该问题，我们提出了一种精心设计的基于双高斯的变分自编码器(DG-VAE)，它分别遵循混合高斯(MoG)先验与标准高斯分布先验，解耦出一个可判别身份的和一个身份模糊的跨模态特征子空间。解耦跨模态可判别身份特征可为VI-ReID带来更鲁棒的检索。为实现类似常规VAE的高效优化，我们从理论上推导了监督设定下MoG先验的两个变分推断项，其不仅约束可判别身份子空间以使模型显式处理跨模态类内身份差异，还使MoG分布避免后验坍缩。此外，我们提出三元组交换重构(TSR)策略以促进上述解耦过程。大量实验表明，我们的方法在两个VI-ReID数据集上优于最先进的方法。
关键词
引用
@article{arxiv.2008.02520,
title = {Dual Gaussian-based Variational Subspace Disentanglement for Visible-Infrared Person Re-Identification},
author = {Nan Pu and Wei Chen and Yu Liu and Erwin M. Bakker and Michael S. Lew},
journal= {arXiv preprint arXiv:2008.02520},
year = {2020}
}
备注
Accepted by ACM MM 2020 poster. 12 pages, 10 appendixes